المراقبة
تحديد مدى المراقبة بالفيديو من خلال بيانات جوجل ستريت فيو
يُمثل تغطية جوجل ستريت فيو المستمرة للطرقات في جميع أنحاء العالم ربما السجل المرئي الأكثر اكتمالاً وثباتاً ووضوحاً للمجتمع العالمي، مع استثناء الدول التي تفرض حظرا على مركبات جوجل المتجولة لجمع البيانات.
كمساهم في إيرادات البنية التحتية لجوجل مابس، يُعتبر بانوبتيكون جوجل ستريت فيو خزاناً غنياً من البيانات لتحليل التعلم الآلي. بالإضافة إلى قابليته لالتقاط الأفعال الإجرامية دون قصد، فقد استُخدم لتقدير الدخل الإقليمي من جودة السيارات في صور جوجل ستريت فيو، تقييم الخضرة في البيئات الحضرية، تحديد أعمدة المرافق، تصنيف المباني، و تقدير التكوين السكاني للأحياء في الولايات المتحدة، من بين مبادرات أخرى عديدة.
إحصاءات محدودة حول انتشار كاميرات المراقبة في الولايات المتحدة
على الرغم من استخدام بيانات جوجل مابس على نطاق واسع لمبادرات التعلم الآلي المتأصلة اجتماعياً، هناك قاعدة بيانات قليلة من نوع جوجل ستريت فيو التي تحتوي على أمثلة مخططة لكاميرات المراقبة. يُعتبر مجموعة بيانات Mapillary Vistas من بين القلائل المتاحة التي توفر هذه الوظيفة، على الرغم من أنها تحتوي على أقل من 20 كاميرا فيديو عامة مخططة في الولايات المتحدة.
تتقاطع معظم بنية المراقبة بالفيديو في الولايات المتحدة مع الدولة فقط عندما تطالب السلطات بالfootage التأكيدي بعد حوادث محلية قد تكون سجلت. بخلاف لوائح التخطيط الحضري، وفي سياق قوانين الخصوصية المسموح بها التي تفعل القليل لتحديد المراقبة الخاصة للمساحات العامة، لا يوجد إطار إداري اتحادي يمكن أن يوفر إحصاءات قوية حول عدد الكاميرات المواجهة للجمهور في الولايات المتحدة.
البيانات غير الرسمية والاستطلاعات المحدودة تُشير إلى أن انتشار كاميرات الفيديو في الولايات المتحدة قد يكون متماثلاً مع الصين، ولكن من الصعب إثبات ذلك.
تحديد كاميرات الفيديو في صور جوجل ستريت فيو
نظراً لعدم كفاية البيانات المتاحة، أجرى باحثون من جامعة ستانفورد دراسة حول انتشار وتكرار وتوزيع كاميرات الفيديو العامة التي يمكن تحديدها في صور جوجل ستريت فيو.
أنشأ الباحثون إطاراً لتحديد الكاميرا قيم على 1.6 مليون صورة من جوجل ستريت فيو عبر 10 مدن رئيسية في الولايات المتحدة، وست مدن رئيسية أخرى في آسيا وأوروبا.
في الترتيب التنازلي للكثافة، تتصدر بوسطن قائمة المدن الأمريكية المُستخدمة في البحث، مع كثافة حديثة أو حالية تبلغ 0.63 وعدد كاميرات يبلغ 1,600. ومع ذلك، تتمتع مدينة نيويورك بкамيرات أكثر (10,100) موزعة على مسافة أكبر. مصدر: https://arxiv.org/pdf/2105.01764.pdf
من بين مدن الولايات المتحدة، وجد أن بوسطن لديها أعلى كثافة من الكاميرات المحددة، في حين أن مدينة نيويورك لديها أعلى عدد من الكاميرات، حيث تصل إلى 10,100، موزعة على مسافة أكبر. في آسيا، يوجد في طوكيو ما يقدر بنحو 21,700 كاميرا، ولكن سول لديها عدد أقل من الكاميرات (13,900) مركزة بكثافة أكبر. على الرغم من تحديد 13,000 كاميرا لصور جوجل ستريت فيو في لندن، تفوق باريسها من حيث عدد التثبيتات (13,00) وكثافة التغطية.
يلاحظ الباحثون أن كثافة الكاميرا تختلف على نطاق واسع بين الأحياء والمناطق في المدن.
من بين العوامل المحددة الأخرى لدقة المسح (التي سنأتي إليها)، يلاحظ الباحثون أن الكاميرات في المناطق السكنية ثلاث مرات أكثر صعوبة في التحديد منها تلك الموجودة في الحدائق العامة والمناطق الصناعية والمناطق متعددة الاستخدامات – على الأرجح لأن تأثير الردع يصبح أكثر غضباً أو جدلاً في المناطق السكنية، مما يجعل التثبيتات المتخفيّة أو الخفية أكثر احتمالاً.
باعتبار المدن الدراسية في أوروبا وآسيا، تحتل سول المرتبة الأولى كبيئة حضرية أكثر مراقبة، مع باريس لا تتبعه ب遠.
في حالة وجود غالبية عرقية أو أقلية في منطقة معينة، يزيد تكرار تثبيت الكاميرا بشكل ملحوظ، حتى مع أخذ جميع العوامل المخففة في الاعتبار من قبل باحثي ستانفورد.
تزداد تكرار كاميرات المراقبة بالتناسب المباشر مع زيادة التركيبة السكانية للأقليات في حي ما، وفقاً لأبحاث ستانفورد.
أُجريت الدراسة عبر فترتين زمنيتين، 2011-2015 و2016-2020. على الرغم من أن البيانات تُظهر نمواً مستمراً وأحياناً غير منتظم لتركيب كاميرات المراقبة على مدى تسع سنوات، يُشير الباحثون إلى أن انتشار كاميرات المراقبة قد وصل إلى “حالة مؤقتة من الاستقرار”.
منهجية البحث
أولاً، قام الباحثون بتحليل قاعدة بيانات من صور جوجل ستريت فيو، واحدة منها لم تكن تحتوي على تثبيتات كاميرا فيديو، وأنشأوا أقنعة تقسم هذه الصور. ثم تم تدريب نموذج تقسم على هذه القواعد البيانية ضد قاعدة بيانات للتحقق (من سان فرانسيسكو – انظر “العوامل المحددة” أدناه).
ثم تم تشغيل نموذج الإخراج ضد صور جوجل ستريت فيو عشوائية، مع تأكيد جميع الكاميرات الإيجابية بواسطة البشر وإزالة الإيجابيات الكاذبة.
اليسار، الصورة الأصلية من جوجل ستريت فيو. الوسط، قناع التقسم المعدل. اليمين، تحديد الكاميرا المشتق خوارزمياً. اليمين، تثبيت تم التحقق منه من قبل الإنسان.
أخيراً، قام الإطار بحساب مجال الرؤية لزوايا الكاميرا المشاركة لتقدير مدى التغطية، مقترناً بمسارات المباني المشاركة و مواصفات شبكة الطرق.
من بين البيانات المساهمة الأخرى لهذا المصفوفة، شملت مواصفات المباني من OpenStreetMap، واستخدام خرائط التعداد السكاني الأمريكية لضمان أن تكون الدراسة مقيدة بالحدود الإدارية لكل مدينة. بالإضافة إلى ذلك، استخدم المشروع بيانات موقع الكاميرا في سان فرانسيسكو من دراسة من قبل مؤسسة الحدود الإلكترونية (EFF)، مع الوصول إلى صور جوجل ستريت فيو عبر واجهة برمجة التطبيقات الثابتة.
قدم الباحثون تقديراً للتغطية بحساب مجال الرؤية لكاميرات جوجل ستريت فيو مقابل بيانات من OpenStreetMap.
العوامل المحددة
يقر الباحثون بعدد من العوامل المحددة التي يجب مراعاتها عند استعراض النتائج.
أولاً، أن الكاميرات المحددة بواسطة نظام التعلم الآلي تم التحقق منها أو نفيها من قبل المراجعة البشرية، وأن هذه المراجعة هي عملية قابلة للخطأ.
ثانياً، كانت الدراسة مقيدة بالدقة المتاحة لصور جوجل ستريت فيو، مما حدّ من الباحثين إلى تحديد الكاميرات الموجودة في نطاق ثلاثين متراً من نقطة المشاهدة. هذا لا يعني فقط أن بعض الكاميرات قد تم “اختراعها” من خلال الدقة المحدودة، ولكن أيضاً أن العديد من الكاميرات خارج هذا النطاق (مثل الكاميرات المرتفعة، والتثبيتات الخفية، والكاميرات الدقيقة في أجهزة الجرس) قد لا يتم تحديدها.
أخيراً، يمكن أن يكون تقدير استدعاء نموذج مدينة محددة عاملاً مقيداً في دقة النتائج، لأن مدينة سان فرانسيسكو، حيث تم بالفعل تحديد تكرار كاميرات المراقبة في عمل سابق من EFF، تم تطبيقه على ولايات أخرى لجعل الدراسة قابلة للتنفيذ.
